Guarda il cane robot che va.
Trotta. Poi delimita. Nessun essere umano gli dice cosa fare. Cambia e basta.
Questo è il KAIST HOUND. Pesa circa 45 chilogrammi (100 libbre) e si muove con una fluidità un tempo impossibile per macchine di questo tipo. Utilizza telecamere e lidar per guardare il terreno davanti a sé. Poi prende un’andatura. Un trotto costante per le parti pianeggianti. Una corsa veloce e rimbalzante per gli spazi vuoti. Fa tutto questo in tempo reale, regolando le gambe senza chiedere permesso.
I ricercatori lo hanno dimostrato all’esterno. Hanno portato il robot attraverso un campus universitario, circa 0,7 miglia di marciapiede. Poi lo mandarono nel bosco. Un sentiero di 0,2 miglia coperto di radici, tronchi e foglie scivolose. Ha gestito tutto. I dettagli sono apparsi su Science Robotics il 15 luglio.
Perché è difficile
Gli animali cambiano continuamente andatura. Sai come un cane rallenta per trottare sulla terra accidentata, poi salta sopra un bastone quando il sentiero si libera? Sembra naturale.
Farlo in un robot non è affatto naturale. È complicato.
Di solito, un trotto e un salto sono codificati da sistemi totalmente separati. Il passaggio da uno all’altro crea ritardo. Lag significa inciampare. Inciampare significa che il robot si rompe o fallisce. Il divario tra due stili di codifica è dove i robot muoiono.
La squadra aveva bisogno di un ponte.
Il cervello dietro i muscoli
Hanno creato qualcosa chiamato APT-RL.
Sta per apprendimento di rinforzo basato su trasformatore preaddestrato all’azione. Il nome è un boccone. Il concetto è più semplice.
Innanzitutto, l’IA ha studiato una serie di azioni. Un modello di trasformatore ha esaminato i modelli di tutti loro. Poi è entrato in gioco l’apprendimento per rinforzo. Prove ed errori. Premi per le mosse buone, penalità per quelle sbagliate.
Ma da dove provengono i dati?
Non hanno ancora costruito un vero robot. Hanno iniziato in 2D. Un semplice modello computerizzato. Hanno utilizzato l’ottimizzazione della traiettoria per capire cosa funziona fisicamente per le gambe. Hanno generato 180,0 milioni di sequenze. Brevi scatti di trotto e salti. Hanno calcolato le forze congiunte necessarie. Ci sono voluti otto minuti per creare quel set di dati. Quindici ore di dati di movimento. Pronti nel tempo necessario a far bollire l’acqua.
Successivamente, l’intelligenza artificiale ha dovuto imparare quando usare cosa.
La simulazione ha lanciato ostacoli. Scale. Pietre miliari. Ostacoli. Lacune. Terreno accidentato. Il bot doveva capire come selezionare l’abilità giusta e modificarla al volo.
Ed ecco il bello. La simulazione ha aggiunto telecamere di profondità e scanner lidar. Doveva “vedere” come farebbe il vero bot.
“Il sistema seleziona le andature appropriate e regola i movimenti in tempo reale in base all’input visivo.”
In un test indoor, la cosa ha superato un ostacolo alto mezzo metro. Ha raggiunto i 15 chilometri all’ora (circa 9 mph) mentre lo faceva. È addirittura saltato giù da tre gradini.
Nota come ha scelto le sue mosse. Velocità più basse? Trottava. Terreno irregolare? Rimase basso e attento. Alte velocità? Grandi passi? È legato.
Ha fatto la scelta giusta ogni volta. Una versione del software limitata al solo trotto falliva spesso. Così ha fatto la versione costretta solo a rilegatura. L’ibrido? Coerente.
È solo un trucco?
No. Il robot ha imparato comportamenti che non gli erano mai stati esplicitamente insegnati. Come saltare sopra un tronco. I dati di allenamento originali erano piatti. Il registro non era nel piano. Ma l’intelligenza artificiale l’ha capito perché l’addestramento non consisteva semplicemente nel copiare, ma nel comprendere il terreno in tre dimensioni.
Si corregge da solo.
Si adatta.
Questo è il genere di cose che cambiano ciò che queste macchine possono effettivamente fare al di fuori di un laboratorio. Non sono più necessari pavimenti piatti.
Ne vedrai uno che consegna i pacchi la prossima volta? Forse.
O forse resterà nel campus per un po’.
